评估基于隐式反馈的推荐是很棘手的。以下是我推荐的几种方法。

方法一

您可以使用修改后的精度和召回指标。总的来说，程序如下，

1. 将您的数据按用户划分为训练集和测试集。
2. 对于测试集中的用户，给定他们的历史，使用基于隐式反馈的模型获得前 N 个推荐。
3. 可以使用模型给出的推荐数来计算精度，该模型实际上与用户所采取的行动相匹配（例如，在文章的情况下阅读）。
4. 召回率可以使用前 N 个推荐捕获的用户操作（用户阅读的文章）的数量来计算。
5. 您可以为测试集中的所有用户计算这些并将它们平均。

方法二

该方法类似于方法 1，但不是按用户拆分训练和测试数据，而是使用一种称为“留一出”的策略。在这种情况下，我们使用一个简单的准确度指标。计算精度的步骤如下，

1. 对于每个用户（或用户子集），隐藏已阅读/浏览的一篇文章并将其移动到测试集（留出一篇）。
2. 使用用户历史记录，获取每个用户的前 N ​​个推荐。
3. 计算被遗漏的文章被前 N 个推荐捕获的次数。

请注意，在这两种情况下，前 N 个推荐中的 N 个都将成为您可以进一步调整的超参数。